第三讲：茴香豆：搭建你的RAG智能助理（作业）

最新推荐文章于 2024-11-03 22:14:01 发布
最新推荐文章于 2024-11-03 22:14:01 发布
阅读量375 收藏 3
点赞数 3
文章标签： 人工智能 自然语言处理
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/yidao0618/article/details/137695041
版权
本文详细描述了如何在茴香豆Web版中创建知识问答助手，包括设置知识库、上传文件、设置正反例，以及在InternLMStudio上使用Gradio部署对话Demo。还提到如何调整拒答率和模型选择。
摘要由CSDN通过智能技术生成

1. 在茴香豆 Web 版中创建自己领域的知识问答助手
step1. 首先登陆茴香豆 Web 版

step2. 输入知识库名称并设置一个密码，点击前往。

step3. 点击查看或上传文件（支持 pdf/word/markdown/excel/ppt/html/txt 格式）。

step4. 设置正反例，让茴香豆积极回答或者拒绝回答。

step5. 聊天测试

（茴香豆会智能归纳你上传的文档的内容，但是有时候还是识别不了你的问题，这时候茴香豆就会拒答，告诉你 LLM API 没给回复。可以通过调整阈值从而调整茴香豆的拒答率，并且可以更换模型，或混合使用模型。）

2.在 InternLM Studio 上部署茴香豆技术助手

在这里我使用 Gradio 搭建网页 Demo

首先，进入虚拟环境，并安装 Gradio 依赖组件：

conda activate InternLM2_Huixiangdou
pip install gradio==4.25.0 redis==5.0.3 flask==3.0.2 lark_oapi==1.2.4

运行脚本，启动茴香豆对话 Demo 服务：

cd /root/huixiangdou
python3 -m tests.test_query_gradio 

yidao0618
关注
【第3节】“茴香豆“：搭建你的 RAG 智能助理
熊猫小妖的AI世界
04-24 1258
RAG（Retrieval Augmented Generation）技术，通过检索与用户输入相关的信息片段，并结合外部知识库来生成更准确、更丰富的回答。解决 LLMs 在处理知识密集型任务时可能遇到的挑战, 如幻觉、知识过时和缺乏透明、可追溯的推理过程等。提供更准确的回答、降低推理成本、实现外部记忆。LLM会产生误导性的 “幻觉”，依赖的信息可能过时，处理特定知识时效率不高，缺乏专业领域的深度洞察，同时在推理能力上也有所欠缺。
【 书生·浦语大模型实战营】学习笔记（三）：“茴香豆” 搭建你的RAG 智能助理
专注大数据与人工智能技术分享，欢迎私信加群互相学习！
04-12 1134
本篇笔记内容主要分为RAG理论介绍和“茴香豆” RAG 智能助理实战。前半部分对RAG流程、向量数据库、优化等展开介绍，后半部分实战任务分为以web页面及Internlm框架进行茴香豆实战，欢迎大家交流学习！
[书生·浦语大模型实战营]——第三节：茴香豆：搭建你的 RAG 智能助理
qq_41776136的博客
05-26 1148
通过与用户输入相关的信息片段，并结合外部知识库来生成更准确、更丰富的回答。解决 LLMs 在处理知识密集型任务时可能遇到的挑战, 如幻觉、知识过时和缺乏透明、可追溯的推理过程等。提供的回答、推理、实现。RAG 能够让基础模型实现非参数知识更新，无需训练就可以掌握新领域的知识。本次课程选用的茴香豆应用，就应用了 RAG 技术，可以快速、高效的搭建。
第3课笔记 茴香豆：零代码搭建你的 RAG 智能助理
weixin_42035282的博客
04-26 1059
检索过程中，茴香豆会将输入问题与两个列表中的问题在向量空间进行相似性比较，判断该问题是否应该回答，避免群聊过程中的问答泛滥。确定的回答的问题会利用基础模型提取关键词，在知识库中检索。我们已经提取了知识库特征，并创建了对应的向量数据库。进入开发机后，从官方环境复制运行 InternLM 的基础环境，命名为。文档作为新增知识数据检索来源，在不重新训练的情况下，打造一个。命令行输入下面的命令，修改用于向量数据库和词嵌入的模型。的相关模块，默认嵌入和重排序模型调用的网易。相关的新增知识就以向量数据库的形式存储在。
茴香豆：搭建你的RAG智能助理-作业三
qq_46576562的博客
04-26 1322
本次课程由书生·浦语社区贡献者【北辰】老师讲解【茴香豆：搭建你的 RAG 智能助理】课程。这节课布置如下作业：基础作业：1. 在中创建自己领域的知识问答助手2.在上部署茴香豆技术助手茴香豆技术助手进阶作A【应用方向】 结合自己擅长的领域知识（游戏、法律、电子等）、专业背景，搭建个人工作助手或者垂直领域问答助手，参考茴香豆官方文档，部署到下列任一平台。B【算法方向】尝试修改、调试 prompt 或应用其他 NLP 技术，如其他 chunk 方法，提高个人工作助手的表现。
第三课 茴香豆：搭建你的 RAG 智能助理 笔记与作业
wudiyjnewway的博客
06-14 1030
茴香豆笔记与实操。
第三节作业 茴香豆：搭建你的RAG智能助理
ppyyds的博客
04-14 301
第一次提问：凝聚态物理相关的图书有哪些。能够结合知识库文档进行回答了，继续提问。创建知识库，输入知识库名称与密码。点击前往，知识库创建完成。
第3节 茴香豆：搭建你的 RAG 智能助理 作业
dstx123的博客
04-14 219
1 环境配置 1.1 创建开发机并配置conda环境 1.2 下载基础文件和茴香豆 2 使用茴香豆搭建 RAG 助手 2.1 修改配置文件 2.2 创建知识库 2.3 运行茴香豆知识助手
第3课作业 茴香豆：零代码搭建你的 RAG 智能助理
weixin_42035282的博客
04-26 385
第3课作业 茴香豆：零代码搭建你的 RAG 智能助理。
书生·浦语训练营：第三讲 茴香豆：搭建你的RAG智能助理 笔记
yidao0618的博客
04-12 682
检索增强生成 (Retrieval-Augmented Generation, RAG)是一种结合了检索和生成的技术，旨在通过利用外部数据库来大幅度提升LLM的性能，它通过语义相似性检索与用户输入信息相关的片段，并结合这些信息来生成更加准确、更加丰富的回答。
【 书生·浦语大模型实战营】作业（三）：“茴香豆” 搭建你的RAG 智能助理
专注大数据与人工智能技术分享，欢迎私信加群互相学习！
04-12 342
本次作业内容： 在茴香豆 Web 版中创建自己领域的知识问答助手 - 参考视频零编程玩转大模型，学习茴香豆部署群聊助手。 - 线上茴香豆助手对话截图(不少于5轮) - 参考代码在自己的服务器部署茴香豆 Web 版（可选） 在 InternLM Studio 上部署茴香豆技术助手 - 根据教程文档搭建 茴香豆技术助手，针对问题"茴香豆怎么部署到微信群？"进行提问
茴香豆：搭建你的RAG智能助力
2401_83218582的博客
04-08 1926
RAG是一种结合了检索和生成的技术，旨在通过利用外部知识库来增强大语言模型的性能。它通过检索与用户输入相关的信息片段，并结合这些信息来生成更准确，更丰富的回答。RAG（Retrieval Augmented Generation）技术解决 LLMs 在处理知识密集型任务时可能遇到的挑战, 如幻觉、知识过时和缺乏透明、可追溯的推理过程等。提供更准确的回答、降低推理成本、实现外部记忆。RAG效果比对如图所示，由于茴香豆是一款比较新的应用，训练数据库中并没有收录到它的相关信息。
RAFT: Adapting Language Model to Domain Specific RAG
程序认生
03-31 947
1.如果想要对RAG任务来微调大模型，作者做的DSF以及DSF+RAG的失败实验，值得排除这种尝试。否则大家可能都想试试。不过先在领域继续预训练，学到足够多的领域知识，再用SFT微调，可能效果会更好点？（不过就是知识没办法更新了）2.到底有多少负例文档对效果最好，两个数据集表现不一。作者最终使用的是一个正例文档加上4个负例文档。不过可以肯定的是：如果训练集中只有正例文档都是效果最差的。
UOS AI 1.6 版本升级，如何实现精准搜索，效率翻倍？
vickynesss的博客
11-01 379
通过直接接入互联网的实时数据流，搜索结果变得多样化，不仅限于文字总结，还包括思维导图、事件与人物的综合概述，以及图片、视频、音频等多种形式，显著提高了回答的准确性和全面性。全局搜索全新搭载端侧大模型：支持离线自然语言搜索，无论身在何处，即使没有网络，只需通过快捷键“Shift+space(空格键）”唤醒全局搜索，都能轻松找到所需文件。：对于日常积累的海量截图，只需借助全局搜索功能，简要描述图片内的文字信息，便能迅速锁定并检索到所需图片。：重要信息直接添加到知识库，方便日后查阅，让全局搜索成为你的第二大脑。
基于Keras的U-Net模型在图像分割与计数中的应用
10-31 1954
网络结构优化：项目基于经典的U-Net模型进行改进，采用了更深的网络层次结构，使模型能够在多尺度上捕捉到图像中的细节信息。特别是针对医学图像分割，项目通过增加卷积层数和引入Dropout层来增强模型的特征提取能力，并有效防止过拟合，从而提高模型在训练数据较少情况下的表现。项目中采用了he_normal初始化器和relu激活函数组合，使得网络在训练时能够更快地收敛，降低梯度消失的风险。自定义数据增强策略：在中实现了一个自定义的图像增强类。
如何在 AI 时代打造你的核心竞争力？
玉树芝兰
11-01 266
（注：本文为小报童精选文章。已订阅小报童或加入知识星球「玉树芝兰」用户请勿重复付费）焦虑在《AI 研究已摘得诺奖桂冠，普通科研工作者将何去何从？》一文中我谈过自己对目前 AI 技术浪潮对大众影响的体会——未来已来，只是分布不均。很多人在还没有意识到 AI 带来的变革潜能时，觉得与自己无关，日子该怎么过怎么过，倒也轻松。而一旦突然意识到 AI 的重要性，就会变得焦虑万分。这种焦虑，就是挣扎与思考在外...
基于MATLAB的战术手势识别
最新发布
2401_84801422的博客
11-03 503
模板匹配法：作为最接近人本身对事物的识别的方法，模型匹配法是将传感器输入的原始数据与预先存储的模板进行匹配，通过测量两者之间的相似度来完成识别，相应的，模型匹配法需要大量的基础数据作为匹配对象来确保识别率，所以受到噪声、光照等复杂环境影响较大，并且识别速度慢。手势的完成是一个动态的过程，这个过程包括了手指弯曲引起的手的形状和手在空间中的位置和方位的变化两个方面，在实际识别过程中，根据手势的时间特征，可以将手势分为静态手势和动态手势两种。同时，为训练成果的检验提供了一种更为智能化的方式。
YoloV9改进策略：Block改进|RFE模块，提高小物体的识别精度|即插即用|代码+修改过程
m0_47867638的博客
10-29 396
本文介绍了一种基于YOLOv5的人脸检测方法，命名为YOLO-FaceV2。该方法旨在解决人脸检测中的尺度变化、简单与困难样本不平衡以及人脸遮挡等问题。通过引入一系列创新模块和损失函数，YOLO-FaceV2在WiderFace数据集上取得了优异的表现，特别是在小物体、遮挡和困难样本的检测上。
AI产品经理实战手册：策略、开发与商业化指南
清图出版
10-31 541
通过《AI产品经理手册》，将可以了解不同类型的AI，如何将AI整合到产品或业务中，以及支持创建AI产品或将AI集成到现有产品所需的基础设施。熟悉实践管理AI产品开发流程、评估和优化AI模型，以及应对与AI产品相关的复杂伦理和法律问题等相关知识。通过案例研究和学习，在快速发展的AI和机器学习领域保持领先地位。通过阅读本书，读者将能够从产品角度全面了解AI领域。
AI大模型技术应用：唐诗三百首RAG检索增强生成实践
资源摘要信息:"《AI大模型应用》--唐诗三百首RAG检索增强生成.zip" 在当今信息技术迅速发展的时代，人工智能（AI）作为一门前沿技术，在各个领域得到了广泛应用，特别是大型语言模型（如GPT、BERT等）的应用，给...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值